{"product_id":"138410","title":"Développement pratique d'une application LLM avec LangChain et RAG ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPCf0swS3GqMiu0VX6f4XBIC8mSV.png?v=1765062971\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Développement pratique d'une application LLM avec LangChain et RAG \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/144417437\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eLes candidatures LLM, maintenant en pratique !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e À mesure que les modèles de langage deviennent plus performants, ils présentent de nouveaux défis pour les utilisateurs. \u003cbr\u003eComment connecter les données et les connaissances externes ? Comment structurer des flux de travail complexes ? Comment maîtriser les illusions des modèles ? Ce livre répond à ces questions et nous guide dans la résolution de problèmes concrets grâce aux technologies LangChain et RAG.\u003cbr\u003e\u003cbr\u003e Ce livre couvre systématiquement tout, des composants essentiels de RankChain (chaîne, mémoire, outils, agents) aux différentes méthodologies RAG (récupérateur, réorganisateur, recherche hybride, traitement multimodal, GraphRAG, modèles ReAct et utilisation de sLLM).\u003cbr\u003e Chaque chapitre commence par une explication conceptuelle et progresse vers des exercices de plus en plus complexes, apprenant aux lecteurs comment appliquer le code de base à leurs propres projets.\u003cbr\u003e Nous avons abaissé la barrière à l'entrée en allant au-delà des simples appels d'API pour comprendre l'évolution de la méthodologie RAG et ses scénarios d'application, et en fournissant des exemples qui peuvent être exécutés directement dans un environnement Colab. \u003cbr\u003eIl fournit notamment des directives claires sur l'approche appropriée à chaque situation et des modèles architecturaux qui peuvent être étendus aux services réels.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e▣ Chapitre 1 : LangChain\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.1 Préparation pour Langchain\u003cbr\u003e ___1.1.1 Pourquoi utiliser des chaînes ?\u003cbr\u003e 1.2 Environnement Colab (Google Colaboratory)\u003cbr\u003e 1.2.1 Configuration de l'environnement d'exécution Colab\u003cbr\u003e 1.3 Clé API LLM\u003cbr\u003e ___1.3.1 Clé API GPT\u003cbr\u003e ___1.3.2 Clé API Gemini\u003cbr\u003e 1.4 Visage enlacé\u003cbr\u003e ___1.4.1 Trouver le modèle du visage qui fait un câlin\u003cbr\u003e 1.5 Composants de Langchain\u003cbr\u003e ___1.5.1 Chaîne\u003cbr\u003e ___1.5.2 Invite\u003cbr\u003e ___1.5.3 Mémoire\u003cbr\u003e ___1.5.4 Index\u003cbr\u003e 1.5.5 Rappels et évaluation\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 02 : RAG (Génération augmentée par la récupération)\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 2.1 Contexte et importance du RAG\u003cbr\u003e 2.2 RAG utilisant Langchain\u003cbr\u003e ___2.2.1 Préférences\u003cbr\u003e ___2.2.2 Chargement des données\u003cbr\u003e 2.2.3 Segmentation des données\u003cbr\u003e ___2.2.4 Boutique Vector\u003cbr\u003e ___2.2.5 Récupérateurs et invites\u003cbr\u003e 2.3 RAG avancé \u003cbr\u003e___2.3.1 Technologie de réorganisation qui améliore les performances en ajustant l'ordre des documents\u003cbr\u003e ___2.3.2 Technologie HyDE pour obtenir des performances de réponse aux requêtes élevées grâce aux documents virtuels\u003cbr\u003e ___2.3.3 Techniques d'expansion de requêtes pour rendre les requêtes plus spécifiques et plus riches\u003cbr\u003e ___2.3.4 Technologie multi-requêtes capable de refléter diverses perspectives\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 3 : RAG multimodal\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 3.1 _Présentation du RAG multimodal\u003cbr\u003e ___3.1.1 Concept RAG multimodal\u003cbr\u003e 3.1.2 Cas d'utilisation\u003cbr\u003e ___3.1.3 Importance\u003cbr\u003e 3.2 Modèles et technologies clés du RAG multimodal\u003cbr\u003e ___3.2.1 Encodeur multimodal\u003cbr\u003e ___3.2.2 Décodeur pour la génération multimodale\u003cbr\u003e 3.2.3 Extraction et enrichissement des connaissances\u003cbr\u003e 3.2.4 Technologie de convergence\u003cbr\u003e ___3.2.5 Entraînement et ajustement du modèle\u003cbr\u003e 3.3 [Pratique] RAG multimodal\u003cbr\u003e ___3.3.1 Extraction d'informations multimodales\u003cbr\u003e 3.3.2 Implémentation RAG multimodale\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 4 : GraphRAG\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 4.1 Qu'est-ce que GraphRAG ?\u003cbr\u003e 4.2 Différences par rapport au RAG existant\u003cbr\u003e 4.3 Configuration de GraphRAG\u003cbr\u003e ___4.3.1 Neo4j\u003cbr\u003e 4.4 [Exercice] GraphRAG\u003cbr\u003e ___4.4.1 [Exercice] Extraction et manipulation de données graphiques par requêtes en langage naturel \u003cbr\u003e___4.4.2 [Exercice pratique] Construction de graphes de connaissances basés sur LLM et pratique RAG\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 5 : Agent ReAct\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 5.1 Qu'est-ce qu'un agent ReAct ?\u003cbr\u003e ___5.1.1 Concept d'agent ReAct\u003cbr\u003e ___5.1.2 Explication des principes de base\u003cbr\u003e ___5.1.3 Différences entre ReAct et la méthode existante\u003cbr\u003e ___5.1.4 Fonctionnalités clés et cas d'utilisation de l'agent ReAct\u003cbr\u003e 5.2 Intégration de l'API de recherche\u003cbr\u003e ___5.2.1 Générer des réponses à partir de données externes\u003cbr\u003e ___5.2.2 Appels de l'API de recherche\u003cbr\u003e ___5.2.3 [Exercice pratique] Intégration des agents ReAct à l'API de recherche\u003cbr\u003e 5.3 [Exercice] Appel d'outils basés sur des agents\u003cbr\u003e ___5.3.1 Appel des outils depuis l'agent de base\u003cbr\u003e ___5.3.2 Appel d'outils avancés à l'aide de ReAct\u003cbr\u003e 5.4 Projets pratiques de données financières utilisant des agents\u003cbr\u003e ___5.4.1 Collecte et analyse des données financières à l'aide des agents ReAct\u003cbr\u003e 5.4.2 Analyse en temps réel des marchés financiers via une API de recherche\u003cbr\u003e ___5.4.3 Analyse intégrée via l'agent ReAct\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 6 : sLLM\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 6.1 Raisons d'étudier le sLLM\u003cbr\u003e 6.2 Exécution de sLLM\u003cbr\u003e ___6.2.1 Exécution du modèle sLLM de Hugging Face\u003cbr\u003e 6.3 Méthode d'apprentissage FFT et code \u003cbr\u003e6.3.1 Création des données d'entraînement\u003cbr\u003e 6.3.2 Méthodes de traitement parallèle pour l'apprentissage sLLM\u003cbr\u003e ___6.3.3 Apprentissage sLLM : Réglage fin complet\u003cbr\u003e 6.4 Méthode d'apprentissage et code PEFT\u003cbr\u003e ___6.4.1 Algorithme et pratique PEFT (QLoRA)\u003cbr\u003e ___6.4.2 Algorithme et pratique du PEFT (DoRA)\u003cbr\u003e 6.5 Apprentissage d'optimisation LLM basé sur RAG\u003cbr\u003e 6.5.1 Génération de données d'assurance qualité prenant en compte RAG\u003cbr\u003e ___6.5.2 Apprentissage du sLLM en tenant compte du RAG\u003cbr\u003e 6.5.3 Optimisation sLLM prenant en compte RAG\u003cbr\u003e 6.6 LLM Service\u003cbr\u003e ___6.6.1 Configuration d'un environnement de service à l'aide de Streamlet\u003cbr\u003e ___6.6.2 Déploiement de sLLM à l'aide de Streamlet\u003cbr\u003e 6.6.3 Optimisation du service sLLM avec vLLM\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate5227\/MidCate2\/522615655.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 10 avril 2025\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 300 pages | 175 × 235 × 16 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791158395988 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893237252138,"sku":"138410","price":38.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/8178f4fc4f76ed5dbeff96517120be78.jpg?v=1765393329","url":"https:\/\/librairie.coreenne.fr\/products\/138410","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}